PServer. Θεωρία & Εφαρμογές. Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr Γεώργιος Παλιούρας, paliourg@iit.demokritos.gr

Transcript

1 PServer Θεωρία & Εφαρμογές Δημήτριος Βογιατζής, Γεώργιος Παλιούρας,

2 Δομή Εφαρμογές PServer σε ηλεκτρονικό εμπόριο ξενάγηση σε μουσεία ενημέρωση πλοήγηση στον Ιστό Μοντέλα χρηστών & Ρόλος Ατομικά Στερεότυπα Κοινότητες Μελλοντικά θέματα

3 Ηλεκτρονικό εμπόριο SERVIVE, (Σεπ Δεκ. 2011), EU FP7 έργο Service Oriented Intelligent Value Adding Network for Clothing-SMEs embarking in Mass-Customisation Εξατομικευμένες συστάσεις ενδυμάτων

4 Ηλεκτρονικό εμπόριο CROSSMARC, (Μαρ Αυγ. 2003), EU FP5 έργο CROSS-lingual Multi-Agent Retail Comparison Σύγκριση προϊόντων από διάφορους προμηθευτές με βάση τις προτιμήσεις του χρήστη.

5 Ξενάγηση σε μουσεία INDIGO, (Ιαν Ιαν. 2010), EU FP6 έργο XENIOS, (Ιουν Δεκ. 2007), έργο ΓΓΕΤ Interaction with Personality and Dialogue enabled Robots Human-robot interaction using speech processing, natural language generation, and computer vision M-PIRO, (Ιαν Δεκ. 2002), EU FP5 έργο Multilingual Personalised Information Objects gr/en/index.html

6 Ενημέρωση GPP, (Φεβ Μαι. 2006), έργο ΓΓΕΤ PNS (Personalised News Service) PBS (Personalized Books Service) PCS (Personalised Education Service) ΜΙΤΟΣ, (Απρ Μαρ. 2002), έργο ΓΓΕΤ Σύστημα Αναζήτησης και Εξόρυξης Πληροφορίας: Εφαρμογή σε Χρηματοοικονομικές Ειδήσεις Εξατομικευμένη Εφημερίδα

7 Πλοήγηση στον Ιστό OurDMOZ, (Οκτ. 2012), Διδακτορικό Δ. Πιερράκος Εξατομίκευση καταλόγων του Παγκόσμιου Ιστού WebC-Mine, (Μαρ Δεκ. 2002), ΓΓΕΤ Web usage mining from proxy/cache server logs Ανάλυση δεδομένων παρόχων internet προκειμένου να μοντελοποιηθούν οι χρήστες

8 Πλοήγηση στον Ιστό

9 Ατομικά μοντέλα χρηστών Attributes αναφέρονται στα χαρακτηριστικά του χρήστη: ηλικία, φύλο, σωματότυπος, εμπειρία και δεν σχετίζονται με την εφαρμογή Features αναφέρεται σε αντικείμενα που σχετίζονται με την εφαρμογή: προϊόντα, εκθέματα, ιστοσελίδες, κτλ. οι τιμές των features καταγράφουν το ενδιαφέρον του χρήστη στο συγκεκριμένο αντικείμενο Attr_1 Attr_2... Attr_n Feat_1 Feat_2... Feat_m Value Value... Value Value Value... Value

10 Ατομικά μοντέλα: Παράδειγματα SERVIVE Attributes Features User Models Gender Body Type Skin Colour skirt.md jacket.slim.md peplum.md model-1 Female Average light INDIGO Attributes Features User Models Age Language of communication Temples. Visited Stoas.Visited HistoricalPlaces. Visited model-2 adult Greek 3 0 1

11 Ατομικά μοντέλα: Παράδειγματα Προτάσεις ταινιών σε χρήστες έχουμε χρήστες με γνωστή την ηλικία, το επάγγελμα και το φύλο (attributes) γνωρίζουμε τις ταινίες που έχουν δει, και πως έχουν βαθμολογήσει κάθε ταινία (features) γνωρίζουμε το είδος της κάθε ταινίας (features) πρόσφατες επιλογές του χρήστη είναι σημαντικότερες από τις παλαιές (decaying interest)

12 Ατομικά μοντέλα: Παράδειγματα Μία πρώτη ιδέα για αναπαράσταση MOVIES Attributes Features userid Age Gender Occupation Pulp Fiction Mission Impossible Life of Pi M Technician όχι ιδιαίτερα χρήσιμη αν θέλουμε να προτείνουμε καινούργιες ταινίες που ταιριάζουν με τις προτιμήσεις του χρήστη

13 Ατομικά μοντέλα: Παράδειγματα Βελτιωμένη αναπαράσταση MOVIES Attributes Features userid Age Gender Occupation Genre: Thriller Genre: Action Genre: Social M Technician

14 Ατομικά μοντέλα: Χρήση Συλλογή δεδομένων Χρήση Ερωτηματολόγιο εγγραφής (attributes) Καταγραφή με cookies (ή ρητά) της δραστηριότητας του χρήστη αναφορικά με ένα site Ενημέρωση του ατομικού μοντέλου (features) Όχι απαραίτητα εγγεγραμμένοι χρήστες Συστάσεις βάσει παρελθούσης δραστηριότητας Αρχικό βήμα στην εύρεση κοινοτήτων Δυναμική παραγωγή εξατομικευμένων σελίδων Web analytics: ποιοί χρήστες επισκέπτονται τις σελίδες, τι βλέπουν κτλ.

15 Στερεότυπα Χρηστών Συνθήκες βασισμένες σε attributes Τυπικές συμπεριφορές βασισμένες σε features Πώς προκύπτουν: ορίζονται από τον σχεδιαστή της εφαρμογής Δυνατότητα ενημέρωσης με βάση σχετιζόμενα ατομικά μοντέλα Attr_cond_1 Attr_cond_2... Attr_cond_n Feat_1 Feat_2... Feat_m Value Value... Value Value Value... Value

16 Στερεότυπα: Παραδείγματα SERVIVE Attributes Features StereotypeID Gender Body Type skirt.pleated jacket.military jacket.peplum fem-avg Female Average INDIGO Attributes Features StereotypeID Age description.length language.complexity child Child 2 1

17 Στερεότυπα: Χρήση Ο χρήστης δεν έχει αλληλεπιδράσει με την εφαρμογή -- > δεν υπάρχουν πληροφορίες για τις προτιμήσεις του Αν ξέρουμε όμως κάτι για το χρήστη: attributes Servive: σωματότυπος, χαρακτηριστικά/χρώμα προσώπου Indigo/Xenios: εμπειροι επισκέπτες, απλοί επισκέπτες, παιδιά Ο χρήστης μπορεί να "ανατεθεί" σε στερεότυπο βάσει attributes και να λάβει ως σύσταση τα features του στερεότυπου Η ανάθεση χρήση σε στερεότυπο μπορεί να έχει ένα βαθμό [0,1] Το στερεότυπο μπορεί να ενημερώνεται με βάση τα ατομικά μοντέλα των χρηστών

18 Κοινότητες χρηστών & χαρακτηριστικών F1 F2 F3 F4 User1 2/5 1/5 1/5 2/5 User2 1/5 2/5 4/5 4/5 Κοινότητα χρηστών Κοινότητα χαρακτηριστι κών User 3 3/5 3/5 4/5 5/5 δ User 4 3/5 3/5 2/5 1/5

19 Κοινότητες Χρηστών Προϋποθέτει την ύπαρξη ατομικών μοντέλων Μηχανική μάθηση--> κοινότητες χρηστών Κάθε κοινότητα περιέχει όμοιους χρήστες ως προς τη δραστηριότητα τους (features)

20 Κοινότητες Χρηστών: Χρήση Συνεργατικό φιλτράρισμα (collaborative filtering) Βάσει των προτιμήσεών του, ο χρήστης εντάσσεται σε μία κοινότητα Μπορούν να προταθούν στο χρήστη καινούργια προϊόντα που είναι δημοφιλή στην κοινότητα Παράδειγμα: Ομάδες που βαθμολογούν παρόμοια ταινίες Ομάδες που διαβάζουν τα ίδια άρθρα (PNS)

21 Κοινότητες Χαρακτηριστικών Προϋποθέτει την ύπαρξη ατομικών μοντέλων Μηχανική μάθηση --> κοινότητες χαρακτηριστικών Κάθε κοινότητα περιέχει features/χαρακτηριστικά που οι χρήστες προτιμούν να αγοράζουν μαζί

22 Κοινότητες Χαρακτηριστικών: Xρήση Ο χρήστης περιηγείται σε ιστότοπο Δημιουργία συστάσεων Αυτοί που αγόρασαν/είδαν αυτό το προϊόν είδαν/αγόρασαν και αυτά Παραδείγματα: άρθρα που διαβάζονται από τους ίδιους (PNS) ενδύματα που επιλέγονται μαζί (SERVIVE) (odermark trendtrousers, odermark trendjacket) (odermark trendovercoat, oderemark exerciseshoes) (odermark trousers, odermarkcocktaildress, odermarktrendjacket)

23 Πως προκύπτουν οι κοινότητες Τι είναι η κλίκα; πλήρως συνδεδεμένος υπό-γράφος ενός γράφου Τι εκφράζει; συνοχή Εύρεση μεγίστων κλικών: Μaximal Cliques (Bron-Kerbosch)

24 Πως προκύπτουν οι κοινότητες Βήματα: 1. Ατομικά μοντέλα 2. Εύρεση συσχετίσεων μεταξύ τους 3. Κατασκευή γράφου συσχετίσεων 4. Διακριτοποίηση γράφου με κατώφλι 5. Εύρεση κλικών

25 Εύρεση συσχετίσεων Ατομικά Μοντέλα κόμβος κόμβος βαθμός συσχέτισης κόμβος --> feature ή user Εύρεση συσχετίσεων για κάθε ζεύγος κόμβων (συντελεστής συσχέτισης, π.χ. συχνότητα συνεμφάνισης) Προκύπτει γράφος με βάρη

26 Γράφος συσχετίσεων

27 Ρόλος κατωφλίου

28 Εύρεση κλικών- κοινοτήτων

29 Σύνοψη Ο PServer υποστηρίζει διάφορα είδη μοντελοποίησης, κατάλληλα για διαφορετικές εφαρμογές, έχει δοκιμαστεί σε πολύ διαφορετικές εφαρμογές, υποστηρίζεται από το εργαστήριο τεχνολογίας γνώσεων και λογισμικού, που αναπτύσσει νέες μεθόδοςυ τεχνητής νοημοσύνης, βρίσκεται σε διαρκή εξέλιξη.

30 Μελλοντικά θέματα Αυτόματη ανακάλυψη στερεοτύπων από τα ατομικά μοντέλα. Δοκιμάζονται: ομαδοποίση + ταξινόμηση γενετικοί αλγόριθμοι πιθανοτικές μέθοδοι Συνένωση παρόμοιων κοινοτήτων Βελτίωση της μεθόδου decaying Ευκολότερη ενσωμάτωση προϋπάρχουσας γνώσης, με τη μορφή: σχετιζόμενων χαρακτηριστικών σχετιζόμενων χρηστών κανόνων γνώσης